Detailseite
Projekt
Datenverarbeitung und Musterkennung
Antragstellerinnen / Antragsteller
Professorin Katharina Breininger; Professor Dr.-Ing. Andreas Maier
Fachliche Zuordnung
Medizininformatik und medizinische Bioinformatik
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 500888779
Multikontrast- und Hyperspektralbildgebung werden in verschiedenen Anwendungsbereichen und Modalitäten eingesetzt, so auch in der Magnetresonanztomographie (MRT). In der MRT wurde die Multikontrast-Bildgebung unter anderem zur Klassifizierung von Geweben auf der Grundlage von Relaxationseigenschaften verwendet. Hier kann maschinelles Lernen (ML) die Differenzierung von Geweben unterstützen. MRT-Fingerprinting verwendet Multi-Echo-Signale zur Vorhersage von T1- oder T2-Zeiten, um Gewebe zu charakterisieren. Techniken wie Diffusion Tensor Imaging in der MRT messen die molekulare Bewegung in Geweben und können zur Charakterisierung von Strukturen in Subvoxelgröße eingesetzt werden. Weitere komplementäre Informationen können durch CEST- und X-Nuclei-Bildgebung gewonnen werden. Hier werden Verfahren benötigt, die mehrere MR-Kontraste kombinieren und Subvoxel-Informationen extrahieren können, um Gewebe vollständig zu charakterisieren. Ziel von Projekt D ist die Identifizierung und das Verständnis gewebe- und pathologiespezifischer MR-Biosignaturen durch den Einsatz von ML durch die Verarbeitung und Analyse der MR-Signaturen, die im Rahmen der Projekte in den Bereichen A und C erfasst werden. Dies beinhaltet den Einsatz von ML-Techniken für pixelgenaue Bildfusion, Multikontrast-Gewebeklassifizierung und -Segmentierung, interaktives Labeling und die Ableitung von Sequenzparameter für optimierte Scan-Protokolle. Für die Bildanalyse wird das Projekt relevante Bildkontraste und Aufnahmeparameter mit Hilfe aufmerksamkeitsbasierter Ansätze untersuchen. Für die interaktive Annotation werden Techniken zur Ableitung niedrigdimensionaler Darstellungen der hyperspektralen Daten entwickelt. Diese niedrigdimensionale Darstellung ermöglicht die Visualisierung und Analyse von Clustern, wodurch eine einfache interaktive Korrektur vorgenommen werden kann, die auf die hochdimensionalen Daten übertragen wird. Außerdem wird physikalisch-informiertes Deep Learning eingesetzt, um zu untersuchen, inwieweit die Sequenzparameter durch eine End-to-End-Optimierung verbessert werden können. Auf der Grundlage der in diesen Arbeitspaketen gewonnenen Erkenntnisse wird das Projekt die Optimierung der Sequenzen und Sequenzparameter für die zweite Phase des RU vorantreiben. Die entwickelten Werkzeuge werden hierbei über das S-Projekt zur Verfügung gestellt. Die Forschung wird in zwei Phasen durchgeführt, wobei der Schwerpunkt in der ersten Phase auf der Entwicklung von Werkzeugen liegt und diese Werkzeuge in der zweiten Phase zur Gewinnung von Erkenntnissen bzgl. der klinischen Fragestellungen und der Sequenzoptimierung eingesetzt werden. Die Daten werden sowohl bei gesunden Probanden (A-Projekte) als auch bei Probanden mit klinischen Fragestellungen (C-Projekte) erhoben. Durch enge Zusammenarbeit mit den entsprechenden Projekten die applikationsspezifische Ausgestaltung der Experimente sowie eine frühzeitige Nutzung der Erkenntnisse und der entwickelten Instrumente sichergestellt.
DFG-Verfahren
Forschungsgruppen
